CN108182494A - 负荷预测方法、装置、存储介质和处理器 - Google Patents
负荷预测方法、装置、存储介质和处理器 Download PDFInfo
- Publication number
- CN108182494A CN108182494A CN201711481148.1A CN201711481148A CN108182494A CN 108182494 A CN108182494 A CN 108182494A CN 201711481148 A CN201711481148 A CN 201711481148A CN 108182494 A CN108182494 A CN 108182494A
- Authority
- CN
- China
- Prior art keywords
- target object
- load
- user information
- user
- analysis model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000005611 electricity Effects 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种负荷预测方法、装置、存储介质和处理器。其中,该方法包括:获取目标对象的用户信息;根据用户信息确定目标对象所对应的用户类型;调取用户类型对应的预定分析模型,其中,预定分析模型用于用户类型与负荷之间的对应关系;根据预定分析模型预测目标对象的负荷。本发明解决了无法准确预测用户负荷的技术问题。
Description
技术领域
本发明涉及电力领域,具体而言,涉及一种负荷预测方法、装置、存储介质和处理器。
背景技术
长期以来,电力公司缺少对高压用户的负荷记录、统计与分析,进而很难准确了解一个用户的负荷情况。在新用户报装与增容、计算变电站可开放容量、负荷预测、负荷切改、网架规划等工作中,常常以用户的用电容量乘以某个系数估算用户最大负荷。这种方式常常会使电网建设运行中留有很大的裕量,经济性不佳。
针对上述无法准确预测用户负荷的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种负荷预测方法、装置、存储介质和处理器,以至少解决无法准确预测用户负荷的技术问题。
根据本发明实施例的一个方面,提供了一种负荷预测方法,包括:获取目标对象的用户信息;根据所述用户信息确定所述目标对象所对应的用户类型;调取所述用户类型对应的预定分析模型,其中,所述预定分析模型用于所述用户类型与负荷之间的对应关系;根据所述预定分析模型预测所述目标对象的负荷。
进一步地,根据所述用户信息确定所述目标对象所对应的用户类型包括:采集所述目标对象的所述用户信息;使用第一模型对所述用户信息进行分析,确定所述用户信息对应的用户类型,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:用户信息和所述用户信息对应的用户类型。
进一步地,根据所述预定分析模型预测所述目标对象的负荷包括:在所述预定分析模型中输入所述目标对象的用户信息;根据所述用户信息生成所述目标对象的负荷曲线,其中,所述负荷曲线用于表示所述目标对象的负荷随时间的变化关系;根据所述负荷曲线预测所述目标对象的负荷。
进一步地,在调取所述用户类型对应的预定分析模型之前,所述方法包括:获取多组待分析数据,其中,所述多组待分析数据中的每组待分析数据均包括:所述目标对象的所述用户类型和所述用户类型对应的负荷;使用所述多组待分析数据通过机器学习训练出的所述预定分析模型。
进一步地,所述用户信息包括:所述目标对象的行业、所述目标对象的用户容量,所述目标对象的用地类型,所述目标对象的用电类型,所述目标对象的占地面积。
根据本发明的另一方面,本发明实施例还提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述所述的负荷预测方法。
根据本发明的另一方面,本发明实施例还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述所述的负荷预测方法。
根据本发明实施例的另一方面,还提供了一种负荷预测装置,包括:第一获取单元,用于获取目标对象的用户信息;确定单元,用于根据所述用户信息确定所述目标对象所对应的用户类型;调取单元,用于调取所述用户类型对应的预定分析模型,其中,所述预定分析模型用于所述用户类型与负荷之间的对应关系;预测单元,用于根据所述预定分析模型预测所述目标对象的负荷。
进一步地,所述确定单元包括:采集模块,用于采集所述目标对象的所述用户信息;第一确定模块,用于使用第一模型对所述用户信息进行分析,确定所述用户信息对应的用户类型,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组待分析数据均包括:用户信息和所述用户信息对应的用户类型。
进一步地,所述确定单元包括:输入模块,用于在所述预定分析模型中输入所述目标对象的用户信息;生成模块,用于根据所述用户信息生成所述目标对象的负荷曲线,其中,所述负荷曲线用于表示所述目标对象的负荷随时间的变化关系;预测模块,用于根据所述负荷曲线预测所述目标对象的负荷。
在本发明实施例中,通过获取目标对象的用户信息,并根据该用户信息确定目标对象所属的用户类型,然后再调用该用户类型所对应的预定分析模型,通过该预定分析模型预测目标对象的负荷,从而实现了对目标对象负荷的准确预测的技术效果,进而解决了无法准确预测用户负荷的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种负荷预测方法的流程图;
图2是根据本发明实施例的一种用户电网全景信息库的示意图;
图3是根据本发明实施例的一种负荷预测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种负荷预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种负荷预测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取目标对象的用户信息;
步骤S104,根据用户信息确定目标对象所对应的用户类型;
步骤S106,调取用户类型对应的预定分析模型,其中,预定分析模型用于用户类型与负荷之间的对应关系;
步骤S108,根据预定分析模型预测目标对象的负荷。
通过上述步骤,通过获取目标对象的用户信息,并根据该用户信息确定目标对象所属的用户类型,然后再调用该用户类型所对应的预定分析模型,通过该预定分析模型预测目标对象的负荷,从而可以有针对性地对目标对象的负荷进行分析,实现了对目标对象负荷的准确预测的技术效果,进而解决了无法准确预测用户负荷的技术问题,使电力部门能够根据预测的结果,提前准备应对的方案,确保能够对目标对象正常供电。
作为一种可选的实施例,根据用户信息确定目标对象所对应的用户类型包括:采集目标对象的用户信息;使用第一模型对用户信息进行分析,确定用户信息对应的用户类型,其中,第一模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:用户信息和用户信息对应的用户类型。
采用本发明上述实施例,通过多组数据中的多个用户信息和用户信息对应的用户类型进行训练,可以准确得出用于表示目标对象与用户类型之间对应关系的第一模型,使对目标对象所属的用户类型的划分能够通过机器来自动实现而无需人为介入,进而可以使目标对象所对应的用户类型更加准确。
作为一种可选的实施例,根据预定分析模型预测目标对象的负荷包括:在预定分析模型中输入目标对象的用户信息;根据用户信息生成目标对象的负荷曲线,其中,负荷曲线用于表示目标对象的负荷随时间的变化关系;根据负荷曲线预测目标对象的负荷。
采用本发明上述实施例,预定分析模型可以根据目标对象的用户信息可以生成目标对象的负荷曲线,并通过该负荷曲线来表示目标对象的负荷随时间的变化关系,进而根据该负荷曲线可以准确确定目标对象的波峰与波谷的负荷,以及波峰与波谷的出现时间,进而根据生成目标对象的预测负荷曲线,从而可以根据该预测负荷曲线来对目标对象的负荷进行预测。作为一种可选的实施例,在调取用户类型对应的预定分析模型之前,该实施例还可以包括:获取多组待分析数据,其中,多组待分析数据中的每组待分析数据均包括:目标对象的用户类型和用户类型对应的负荷;使用多组待分析数据通过机器学习训练出的预定分析模型。
采用本发明上述实施例,根据多组待分析数据中的每组待分析数据中的目标对象的用户类型和用户类型对应的负荷来训练,可以准确得出用于表示目标对象所属的用户类型与负荷之间的对应关系,使对目标对象的负荷分析能够通过机器来自动实现而无需人为介入,进而可以使目标对象的所对应的负荷能够更加准确地被确定。
作为一种可选的实施例,用户信息包括:目标对象的行业、目标对象的用户容量,目标对象的用地类型,目标对象的用电类型,目标对象的占地面积。
采用本发明上述实施例,目标对象的用户信息包括:目标对象的行业、目标对象的用户容量,目标对象的用地类型,目标对象的用电类型,目标对象的占地面积,进而可以根据目标对象的用户信息对目标对象进行分类,从而可以根据目标对象所属的用户类型进行分析。
本发明还提供了一种优选实施例,该优选实施例提供了一种建立用户电网全景信息库,准确开展负荷分析数据分析材料。
可选地,建立用户电网全景信息库,可以通过现有的PMS2.0系统、主配网自动化系统、营销业务应用系统与客户用电信息采集系统,获取数据完成用户电网全景信息库的建立。
需要说明的是,PMS,英文全称为:power production management system,中文名称为:工程生产管理系统,PMS2.0系统是电力公司所使用的工程生产管理系统。
可选地,可以从PMS2.0获取用户地理信息与电网拓扑信息。
可选地,可以从主配网自动化系统和客户用电信息采集系统获取用户负荷曲线与电量曲线。
可选地,可以从营销业务应用系统获取用户信息,其中,用户信息包括:用户类型、所在行业、用电容量、售电量、电费、发电时间、用地类型、占地面积、建筑面积等。
图2是根据本发明实施例的一种用户电网全景信息库的示意图,如图2所示,包括:从PMS2.0系统21中获取用户的地理信息和电网拓扑;从用电信息采集系统22获取用户电量曲线和负荷曲线;从营销业务系统23获取用户信息;从配电自动化系统24中获取用户负荷曲线,并根据用户的地理信息和电网拓扑,用户电量曲线和负荷曲线,用户信息,以及用户负荷曲线建立用户电网全景数据库25,进而根据该用户电网全景数据库25生成用户负荷分析工具26。
可选地,通过对电网全景数据库中的数据进行分析,可以生成用户符合分析工具。
可选地,可以对根据用户的身份信息,对用户信息分类,得到不同的用户类型,进而通过对相同用户类型的多个用户进行分析,生成该用户类型所对应的用户负荷分析工具(预定分析模型)。
例如,通过对相同用户类型、相同行业用户的分析,找出用户负荷曲线、用电容量、不同发展阶段、用地类型、占地面积、建筑面积之间的潜在联系,从而确定用户负荷预先与用户类型之间的对应关系。在得出不同类型的用户负荷曲线后,通过对不同用户负荷曲线的分析,找出用户负荷曲线波峰、波谷出现的时间与用户其他信息的关系,从而得出用户负荷分析工具(预定分析模型)。
本发明提供的用户负荷分析工具(预定分析模型),可以通过用户负荷曲线与用电容量、不同发展阶段、用地类型、占地面积、建筑面积之间的关系,预测不同用户的中期、长期负荷曲线,使负荷预测结果更贴近实际。
可选地,可以将用户报装容量、用户类型、所在行业、占地面积、建筑面输入用户负荷分析工具(预定分析模型),即可得到对该用户预测所得出的负荷曲线,以及类似用户的负荷曲线以及其他信息。同时可与该地块中期、长期的负荷预测结果进行对比。
可选地,在预测过程中,可以实时更新中期、长期的负荷预测结果。
可选地,可以根据PMS2.0电网拓扑信息,结合用户预测负荷曲线,预测线路负荷,根据运行规程,预测线路重载时间。
本发明所提供的用户负荷分析工具(预定分析模型),可以对未来5年内将会重载线路进行预警,并向各业务部门发出通报。预警线路将禁止新增用户,同时根据地理信息和电网拓扑信息,提出建议切改方案。
可选地,可以根据不同用户、不同用地类别的负荷增长曲线,同时利用电网地理信息、拓扑信息结合,优化线路所带用户,进一步削峰填谷,提高电网经济运行水平。
根据本发明的又一个实施例,还提供了一种存储介质,存储介质包括存储的程序,其中,程序运行时执行上述任一项的方法。
根据本发明的又一个实施例,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述任一项的方法。
图3是根据本发明实施例的一种负荷预测装置的示意图,如图3所示,该装置可以包括:第一获取单元31,用于获取目标对象的用户信息;确定单元33,用于根据用户信息确定目标对象所对应的用户类型;调取单元35,用于调取用户类型对应的预定分析模型,其中,预定分析模型用于用户类型与负荷之间的对应关系;预测单元37,用于根据预定分析模型预测目标对象的负荷。
需要说明的是,该实施例中的第一获取单元31可以用于执行本申请实施例中的步骤S102,该实施例中的确定单元33可以用于执行本申请实施例中的步骤S104,该实施例中的调取单元35可以用于执行本申请实施例中的步骤S106,该实施例中的预测单元37可以用于执行本申请实施例中的步骤S108。上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。
根据本发明上述实施例,通过获取目标对象的用户信息,并根据该用户信息确定目标对象所属的用户类型,然后再调用该用户类型所对应的预定分析模型,通过该预定分析模型预测目标对象的负荷,从而实现了对目标对象负荷的准确预测的技术效果,进而解决了无法准确预测用户负荷的技术问题。
作为一种可选的实施例,确定单元包括:采集模块,用于采集目标对象的用户信息;第一确定模块,用于使用第一模型对用户信息进行分析,确定用户信息对应的用户类型,其中,第一模型为使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:用户信息和用户信息对应的用户类型。
作为一种可选的实施例,确定单元包括:输入模块,用于在预定分析模型中输入目标对象的用户信息;生成模块,用于根据用户信息生成目标对象的负荷曲线,其中,负荷曲线用于表示目标对象的负荷随时间的变化关系;预测模块,用于根据负荷曲线预测目标对象的负荷。
作为一种可选的实施例,装置包括:第二获取单元,用于在调取用户类型对应的预定分析模型之前,获取多组待分析数据,其中,多组待分析数据中的每组待分析数据均包括:目标对象的用户类型和用户类型对应的负荷;训练单元,用于使用多组待分析数据通过机器学习训练出的预定分析模型。
作为一种可选的实施例,用户信息包括:目标对象的行业、目标对象的用户容量,目标对象的用地类型,目标对象的用电类型,目标对象的占地面积。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种负荷预测方法,其特征在于,包括:
获取目标对象的用户信息;
根据所述用户信息确定所述目标对象所对应的用户类型;
调取所述用户类型对应的预定分析模型,其中,所述预定分析模型用于所述用户类型与负荷之间的对应关系;
根据所述预定分析模型预测所述目标对象的负荷。
2.根据权利要求1所述的方法,其特征在于,根据所述用户信息确定所述目标对象所对应的用户类型包括:
采集所述目标对象的所述用户信息;
使用第一模型对所述用户信息进行分析,确定所述用户信息对应的用户类型,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:用户信息和所述用户信息对应的用户类型。
3.根据权利要求1所述的方法,其特征在于,根据所述预定分析模型预测所述目标对象的负荷包括:
在所述预定分析模型中输入所述目标对象的用户信息;
根据所述用户信息生成所述目标对象的负荷曲线,其中,所述负荷曲线用于表示所述目标对象的负荷随时间的变化关系;
根据所述负荷曲线预测所述目标对象的负荷。
4.根据权利要求1所述的方法,其特征在于,在调取所述用户类型对应的预定分析模型之前,所述方法包括:
获取多组待分析数据,其中,所述多组待分析数据中的每组待分析数据均包括:所述目标对象的所述用户类型和所述用户类型对应的负荷;
使用所述多组待分析数据通过机器学习训练出的所述预定分析模型。
5.根据权利要求1所述的方法,其特征在于,所述用户信息包括:所述目标对象的行业、所述目标对象的用户容量,所述目标对象的用地类型,所述目标对象的用电类型,所述目标对象的占地面积。
6.一种负荷预测装置,其特征在于,包括:
第一获取单元,用于获取目标对象的用户信息;
确定单元,用于根据所述用户信息确定所述目标对象所对应的用户类型;
调取单元,用于调取所述用户类型对应的预定分析模型,其中,所述预定分析模型用于所述用户类型与负荷之间的对应关系;
预测单元,用于根据所述预定分析模型预测所述目标对象的负荷。
7.根据权利要求6所述的装置,其特征在于,所述确定单元包括:
采集模块,用于采集所述目标对象的所述用户信息;
第一确定模块,用于使用第一模型对所述用户信息进行分析,确定所述用户信息对应的用户类型,其中,所述第一模型为使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:用户信息和所述用户信息对应的用户类型。
8.根据权利要求6所述的装置,其特征在于,所述确定单元包括:
输入模块,用于在所述预定分析模型中输入所述目标对象的用户信息;
生成模块,用于根据所述用户信息生成所述目标对象的负荷曲线,其中,所述负荷曲线用于表示所述目标对象的负荷随时间的变化关系;
预测模块,用于根据所述负荷曲线预测所述目标对象的负荷。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行权利要求1至5中任一项所述负荷预测方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任一项所述负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711481148.1A CN108182494A (zh) | 2017-12-29 | 2017-12-29 | 负荷预测方法、装置、存储介质和处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711481148.1A CN108182494A (zh) | 2017-12-29 | 2017-12-29 | 负荷预测方法、装置、存储介质和处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182494A true CN108182494A (zh) | 2018-06-19 |
Family
ID=62549154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711481148.1A Pending CN108182494A (zh) | 2017-12-29 | 2017-12-29 | 负荷预测方法、装置、存储介质和处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182494A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915056A (zh) * | 2020-06-16 | 2020-11-10 | 广东电网有限责任公司 | 一种基于大数据分析的用户实用负荷预测系统及预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455857A (zh) * | 2013-09-13 | 2013-12-18 | 国网天津市电力公司 | 对用户需求精细分类进行电网负荷分析和负荷预测的方法 |
-
2017
- 2017-12-29 CN CN201711481148.1A patent/CN108182494A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455857A (zh) * | 2013-09-13 | 2013-12-18 | 国网天津市电力公司 | 对用户需求精细分类进行电网负荷分析和负荷预测的方法 |
Non-Patent Citations (1)
Title |
---|
施群: "第二章电网供电负荷预测及特性指标分析", 《油田电网规划与设计》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915056A (zh) * | 2020-06-16 | 2020-11-10 | 广东电网有限责任公司 | 一种基于大数据分析的用户实用负荷预测系统及预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102084569B (zh) | 用于管理电网的方法和系统 | |
US11445385B2 (en) | Systems and methods for communications node upgrade and selection | |
Veneri | The identification of sub-centres in two Italian metropolitan areas: A functional approach | |
CN106570778B (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
Macedo et al. | Typification of load curves for DSM in Brazil for a smart grid environment | |
US10664931B2 (en) | Data analyzing system and method | |
CN115511501A (zh) | 一种数据处理方法、计算机设备以及可读存储介质 | |
CN105260913A (zh) | 用于互联网广告投放的ctr预估方法、dsp服务器、系统 | |
CN107147514A (zh) | 一种电力通信网络优化资源配置方法及系统 | |
CN115860694A (zh) | 一种基于即时消息技术的业扩流程管控方法及系统 | |
CN108072858A (zh) | 电能表质量管理方法、系统及终端设备 | |
CN105528669B (zh) | 用于电力系统的负荷预测系统 | |
CN108182494A (zh) | 负荷预测方法、装置、存储介质和处理器 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
CN115277789B (zh) | 一种梯级水电站安全防护系统及方法 | |
Kalra et al. | RETRACTED ARTICLE: Enduring data analytics for reliable data management in handling smart city services | |
CN110059234A (zh) | 水务异常事件侦测方法及装置、计算机装置及存储介质 | |
CN108335014A (zh) | 负荷分析方法、装置、存储介质和处理器 | |
CN113852204A (zh) | 一种于数字孪生的变电站三维全景监视系统及方法 | |
Bhakar et al. | Reference network development for distribution network pricing | |
CN112434430A (zh) | 预测台区容量的方法及装置 | |
Deschatre et al. | A joint model for electricity spot prices and wind penetration with dependence in the extremes | |
Amelete et al. | Asset management, industry 4.0 and maintenance in electrical energy distribution | |
CN113327033A (zh) | 配电网故障诊断方法及系统 | |
CN104809584A (zh) | 变电站巡维方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180619 |